An overview of computational methods for gene prediction in eukaryotes: strengths, limitations, and future directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary: Advances in Next-Generation Sequencing (NGS) and machine-learning methods have improved eukaryotic gene prediction. Despite this progress, computational prediction remains crucial for complementing empirical data and annotating newly sequenced genomes, given the complexity of eukaryotic gene structures. Recent deep-learning approaches further enhance accuracy by learning gene-structure patterns directly from genomic sequences, enabling stronger cross-species generalization without predefined gene models. This review introduces a new classification of gene prediction methods-gene-model-based, gene-model-free, and hybrid-and examines representative tools with respect to their algorithmic strategies, input data, strengths, and limitations. It also updates previously reported challenges and outlines new issues arising from modern deep-learning techniques. To support these discussions, we extended the G3PO benchmark of gene-model-based predictors (Augustus, GenScan, GeneID, GlimmerHMM, and SNAP) to additionally include a gene-model-free method, sensor-NN, and a hybrid method, Helixer. Availability and implementation: Benchmark DNA and protein sequences are available in the G3PO repository (http://git.lbgi.fr/scalzitti/Benchmark_study). Scripts for Augustus and Helixer, along with all prediction outputs, are accessible at https://github.com/UdeS-CoBIUS/GenePredictionReviewBenchmark.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle